uSense:CT AI专刊-02

uSense主动感知技术通过对多项人工智能技术的系统化整合而构建覆盖CT成像全流程的应用体系，为应对复杂临床条件下CT成像面临的共性问题提供了系统化的解决路径。本文就uSense主动感知技术在CT成像中的临床应用价值进行述评。

当前人工智能（artificial intelligence, AI）在CT成像领域的研究持续深入，其应用范围已由早期的侧重图像域后处理拓展至扫描参数决策、图像重建及面向临床任务的高级应用等关键环节。以深度学习（deep learning, DL）为代表的AI技术已在抑制噪声、可视化低对比度结构及控制复杂伪影方面表现出明显优势，使在低剂量、低对比度或运动不确定性较高的成像条件下获得稳定的可诊断图像成为可能［1-3］。另一方面，随着AI应用场景的不断拓展，其在复杂临床环境中的稳定性与适配性问题也逐渐显现。

具体而言，当前AI技术在CT成像中主要面临如下挑战：①不同解剖部位及临床任务对于时间分辨率、空间分辨率、噪声水平及组织对比度的需求呈高度异质化，单一算法往往难以在多场景条件下兼顾针对性与稳定性；②复杂临床场景下，CT成像质量受多种因素共同影响，而现有AI技术多针对单一问题进行优化，在整体成像性能保障方面仍存在一定局限；③现有CT AI技术多以独立功能模块形式用于临床，缺乏覆盖扫描前、扫描中及重建的全过程统一平台化整合。上述问题制约了AI技术在CT成像中的系统化应用及规模化落地。

在此背景下，uSense主动感知技术（uSense technology）应运而生。uSense并非单一算法或功能模块，而是一个面向CT成像全流程的超级AI应用平台，将AI技术引入图像采集决策、图像重建和优化，以及高级临床应用等多个关键流程，构建涵盖AI智能扫描、AI DL重建、AI心脏期相识别、AI运动伪影校正、AI金属伪影校正、AI剂量调制及AI视野与重建优化等多维AI技术体系，为应对上述挑战提供系统化解决路径。

2.1 心血管成像：重建、期相选择与全心运动补偿   在心血管领域，心脏的持续高速运动及精细的解剖结构使CT成像在时间分辨率、空间分辨率及噪声控制等方面同时面临较高的技术要求。近年来，相关研究主要从图像重建与运动校正两个方向开展技术优化。现有研究［4-5］表明，DL重建算法在改善整体图像质量方面已取得一定进展，但多仍以通用模型为主，缺乏针对心脏特有解剖结构及复杂运动模式的专项优化。与此同时，冠状动脉运动校正技术逐渐发展成熟，其在提高冠状动脉CT血管成像（coronary computed tomographic angiography, CCTA）成功率和诊断准确性方面的临床价值已获广泛认可［6-7］；但现有优化运动校正方法仍主要聚焦于冠状动脉本身，抑制心肌、瓣膜等其他心脏结构运动伪影的能力相对有限，在一定程度上制约了CT对于非冠状动脉类心脏疾病的综合评估能力。基于上述需求，uSense平台在心血管成像中，围绕图像重建、期相选择与运动补偿等关键环节引入针对性技术配置，通过协同应用心脏专用深度学习心脏图像重建算法（CardioBoost）、深度学习冠脉最佳时相算法（artifical intelligence ePhase, AI ePhase）、深度学习全心运动校正算法（artifical intelligence CardioCapture 2.0, AI CardioCapture 2.0）及无心电门控心脏扫描技术（CardioExpress）而进一步提升了复杂心律及不规则运动条件下心脏CT成像的整体稳定性与诊断可靠性。

2.2 急诊创伤成像：运动伪影抑制与图像对比度提升   在急诊创伤场景中，患者不自主运动造成的运动伪影是影响CT图像质量与判读可靠性的常见问题之一。作为急诊中应用最广泛的影像学检查，头颅CT对于运动干扰尤为敏感。运动伪影可致脑实质、出血灶及细小病灶边界模糊，增加判读影像时的不确定性。为此uSense平台在急诊创伤场景中引入深度学习头部运动校正算法（Motion Freeze），通过智能识别与校正头部运动特征而有效抑制患者运动引起的伪影干扰提升图像稳定性［8］；并在此基础上通过深度学习全模型迭代算法(artificial intelligence iterative reconstruction, AIIR)进一步改善图像对比度与结构清晰度，以更加明确地显示病灶，在复杂采集条件下整体提升急诊CT图像的可判读性与诊断可靠性［9］。

2.3 术后检查相关成像：校正金属伪影与改善结构可视化   术后检查场景中，CT成像质量常受到术中植入的金属材料的影响；内固定装置、关节假体及介入器械等高密度金属［10］可引发射线硬化、光子饥饿及散射等复杂物理效应，表现为条带伪影与局部信号失真，干扰植入物周围软组织及邻近解剖结构的清晰显示，增加判读影像难度。既往研究从投影域校正［11-12］、迭代重建［13-14］及能谱成像［15-18］等多方面探索抑制金属伪影，在一定程度上改善了相关区域的图像质量；但在植入物类型复杂、多部位金属共存或不同扫描条件下，校正效果与稳定性仍存在差异。为此uSense平台引入深度学习金属伪影校正算法（artificial intelligence metal artifact correction, DeepMAC），通过对金属相关伪影特征的针对性建模与校正而在不降低软组织对比度及解剖结构细节呈现度的前提下有效减轻金属伪影的干扰，进而改善金属周围组织的显示清晰度、提升整体图像质量［19］。

2.4 大范围联合扫描：智能优化扫描效率与剂量分配   在大范围、多区域联合扫描场景中，CT检查常需在一次检查中覆盖多个解剖区域或长轴范围结构，如冠状动脉联合主动脉、胸腹联合评估及多部位创伤筛查等，从而对扫描效率、图像一致性及辐射剂量分配提出了更高要求［20-21］。不同解剖区域在体型、衰减特性及诊断任务等方面存在显著差异，基于固定参数或分段协议的传统扫描策略往往难以在全扫描范围内兼顾图像质量稳定性与剂量利用效率；传统技术路径主要通过调整扫描方式或分区设置参数以应对上述问题，存在操作依赖性强、图像质量不均衡及剂量分配精细度不足等局限。uSense平台在大范围联合扫描中引入动态可变螺距扫描技术（Dynamic Pitch）与胸腹联合扫描智能剂量调控（artificial intelligence dose modulation, AI DOM），通过智能识别扫描节段而实现扫描参数与剂量分配的自适应优化，可在保证关键区域图像质量的同时提高扫描效率且降低不必要的辐射暴露，进而提升大范围CT检查的整体一致性与临床可用性。

综上，uSense主动感知技术通过对多项AI技术的系统化整合而为CT成像用于多部位复杂临床场景提供了新的技术路径。未来，随着相关技术的持续完善与临床应用经验的不断积累，uSense平台的临床价值有望在多中心应用及参数规范化等方面获得进一步拓展，推动CT AI技术向更加成熟、可推广的应用阶段迈进。

［1］ 洪楠.深度学习全模型迭代算法（AIIR）临床应用价值［J］.中国医学影像技术，2025，41（4）：513-514.［2］ 曹文静，孙昊桦，赵立毅，等.深度学习全模型迭代算法用于重建CT图像:体模实验［J］.中国医学影像技术，2025，41（4）：557-562.［3］ 李佳媛，李珍霞，陈怡宇，等.基于深度学习重建低剂量CT图像研究进展［J］.中国医学影像技术，2025，41（7）：1167-1170.［4］ de SANTIS D, POLIDORI T, TREMAMUNNO G, et al. Deep learning image reconstruction algorithm: Impact on image quality in coronary computed tomography angiography［J］. Radiol Med, 2023,128(4):434-444.［5］ YUAN D, WANG L, LYU P, et al. Evaluation of image quality with low contrast media using a deep learning image reconstruction algorithm in prospective ECG-triggered coronary CT angiography［J］. Int J Cardiovasc Imaging, 2024,40(6):1377-1388.［6］ WANG Z, BAO L, ZHONG S, et al. Improving image quality and diagnostic performance of coronary CT angiography in patients with challenging heart rate conditions using a deep learningbased motion correction algorithm［J］. Curr Med Imaging, 2024,20:e15734056315753.［7］ SHUAI T, ZHONG S, ZHANG Z, et al. Deep learning-based motion correction in the projection domain for coronary computed tomography angiography: A clinical evaluation［J］. J Comput Assist Tomogr, 2023,47(6):898-905.［8］ ZHOU L, LIU H, ZOU Y X, et al. Clinical validation of an AI-based motion correction reconstruction algorithm in cerebral CT［J］. Eur Radiol, 2022,32(12):8550-8559.［9］ 王敏可，王甜甜，黄金标，等.全脑CT灌注联合深度学习全模型迭代算法用于评估急性缺血性脑卒中［J］.中国医学影像技术，2025，41（4）：515-519.［10］ 唐丽，刘星，侯平，等.深度学习重建联合Smart去金属伪影算法对颈部CT图像中口腔金属植入物伪影的影响［J］.中国医学影像技术，2023，39（11）：1731-1735.［11］ KALENDER W A, HEBEL R, EBERSBERGER J. Reduction of CT artifacts caused by metallic implants［J］. Radiology, 1987,164(2):576-577.［12］ ZHANG H, WANG L, LI L, et al. Iterative metal artifact reduction for X-ray computed tomography using unmatched projector/backprojector pairs［J］. Med Phys, 2016,43(6):3019-3033.［13］ WANG G, SNYDER D L, O’SULLIVAN J A, et al. Iterative deblurring for CT metal artifact reduction［J］. IEEE Trans Med Imaging, 1996,15(5):657-664.［14］ de MAN B, NUYTS J, DUPONT P, et al. Reduction of metal streak artifacts in X-ray computed tomography using a transmission maximum a posteriori algorithm［J］. IEEE Trans Nucl Sci, 2000,47(3):977-981.［15］ BAMBERG F, DIERKS A, NIKOLAOU K, et al. Metal artifact reduction by dual-energy computed tomography using monoenergetic extrapolation［J］. Eur Radiol, 2011,21(7):1424-1429.［16］ MEINEL F G, BISCHOFF B, ZHANG Q, et al. Metal artifact reduction by dual-energy computed tomography using energetic extrapolation: A systematically optimized protocol［J］. Invest Radiol, 2012,47(7):406-414.［17］ KUCHENBECKER S, FABY S, SAWALL S, et al. Dual-energy CT: How well can pseudo-monochromatic imaging reduce metal artifacts?［J］. Med Phys, 2015,42(2):1023-1036.［18］ 孙彤彤，黄熙菎，罗腾龙，等.双层探测器光谱CT虚拟单能量成像联合去除植入物金属伪影用于减少置换髋关节假体金属伪影［J］.中国医学影像技术，2023，39（7）：1084-1088.［19］ YU X, ZHONG S, ZHANG G, et al. Artificial intelligence-based metal artefact correction algorithm for radiotherapy patients with dental hardware in head and neck CT: Towards precise imaging［J］. Dentomaxillofac Radiol, 2025,54(8):659-666.［20］ 吴俊，綦维维，陈雷等.自动管电压联合管电流自动调制技术在胸腹部CT扫描中的应用［J］.中国医学影像技术，2016，32（9）：1440-1444.［21］ GUO R, PENG S, ZHOU W, et al. One-stop combined coronary-craniocervical computed tomography angiography with lowdose body coverage using artificial intelligence iterative reconstruction: A clinically feasible solution to multi-territorial atherosclerosis diagnosis［J］. Quant Imaging Med Surg, 2025,15(2):1516-1527.

文献引用：洪楠.uSense：CT人工智能的临床应用[J].中国医学影像技术,2026,42(4):489-491.

北京大学人民医院副院长主任医师 教授博士研究生导师《中国医学影像技术》主编

主要社会兼职与荣誉称号     ·中华医学会放射学分会副主任委员     ·中国医师协会放射医师分会副会长兼总干事     ·北京医学会放射学分会主任委员     ·中国医院协会医学影像中心分会副主任委员

深耕精神、神经疾病、骨骼肌肉疾病的影像结构与功能研究，人工智能(机器学习、深度学习)技术在影像医学领域的医学研究。主持及参与国家十五科技支撑计划、国家自然科学基金、科技部科技攻关项目、教育部新世纪优秀人才支持计划等科研项目、北京市自然科学基金、北京市科技计划项目及其他横向课题和多项临床试验，共27项科研课题。近 5年共发表论著69篇，总影响因子158。编写书籍17部。